Pulss

Golden Whale Productions: pozitīvas pastiprināšanas spēks

Uzņēmuma Golden Whale Productions līdzdibinātāja un izpilddirektore Klaudija Heilinga apspriež, kā uz pastiprināšanu balstītu sistēmu apvienošana ar mašīnmācīšanās tehnoloģiju ļauj CRM komandām gūt ieskatu par saviem klientiem niecīgā laika posmā, kas nepieciešams manuālai A/B testēšanai.

Kādu ietekmi uz pastiprināšanu balstītām sistēmām var būt uz CRM darbību? Kā šie modeļi izmanto lietotāju datus, lai pārbaudītu hipotēzes un laika gaitā precizētu pieņēmumus?

Lai atbildētu uz šo jautājumu vispārīgi, mēs varam teikt, ka mašīnmācīšanās modeļi vienmēr atrod noderīgus pielietojumus ikreiz, kad problēmas ir daudzdimensionālas, jo visbiežāk šīs ir jomas, kurās cilvēkiem ir grūti saprast korelācijas.

Nogurdinošu A/B testēšanu var aizstāt ar mūsu LOOPS sistēmu eksperimentālo darbību, optimizētus rezultātus sasniedzot daudz ātrāk un ar mazāku berzi organizācijā.

Attiecībā uz darbu CRM tas nozīmē, ka organizācijas, kas izmanto mūsu metodes, var vadīt vairāk kampaņu, pievienot vairāk jaunu funkciju un veikt vairāk eksperimentu katru reizi, vienlaikus radot labākus rezultātus, jo ir ievērojami uzlabots atsevišķa notikuma izpildes laiks.

Šīs sistēmas pašas neizgudro darbības, bet gan sniedz precīzu pārskatu par pašreizējo lietotāju uzvedību, uz kuru CRM komandas var reaģēt ar savām idejām. Vai varat sniegt piemēru konkrētam scenārijam, ko CRM vadītājs varētu vēlēties pārbaudīt, pamatojoties uz viņu pastiprināšanas sistēmas konstatējumiem?

Mēs jau esam izveidojuši ļoti tiešu piemēru, kam ir tūlītēja ietekme uz uzņēmuma peļņu, izmantojot mūsu Bonus Analytics, proti, jautājums par to, kad kuram piešķirt kādu bonusu/funkciju platformas līmenī un regulējuma robežās.

Šī ir neticami sarežģīta optimizācijas problēma, ko operators var atrisināt vienam, taču, palaižot to, izmantojot LOOPS, mums ir izdevies radīt monetizācijas pieaugumu līdz pat 30%, ko CRM komandas ir varējušas nekavējoties izmantot.

Turklāt spēja identificēt pat vissarežģītākos lietotāju uzvedības modeļus un tendences, izmantojot LOOPS, ir ļāvusi dažiem operatoriem samazināt bonusu izmaksas līdz pat 20 procentiem, vienkārši ļaujot tiem atšķirt neproduktīvos bonusu mērķus no tiem, kas ir varētu dot ilgāka termiņa ražu.

Protams, optimizētais izpildes ātrums, uzdodot šos jautājumus, izmantojot LOOPS, ir arī paātrinājis mācību ciklus par nedēļām katrā gadījumā, kas savukārt ir ļāvis CRM komandām izvietot ieteiktās stratēģijas un gūt no tām priekšrocības ātrāk nekā jebkad agrāk.

Kā, jūsuprāt, mainās CRM vadītāja loma, šai tehnoloģijai kļūstot arvien ierastākai? Vai tagad CRM komandām būs vēl lielāks pienākums iegūt spēcīgas datu analīzes prasmes un radošas problēmu risināšanas spējas?

Šī man ir visinteresantākā maiņa. Cik es redzu, scenārijs, kurā ir ieviesta šī tehnoloģija, paredz, ka CRM komanda zaudē daļu no sloga, kas saistīts ar ilgstošu testa ciklu izpildi, kas savukārt ļauj tai vairāk koncentrēties uz idejām par to, kādiem vajadzētu būt realizējamiem elementiem. sistēma piedāvā lietotājam. Pēc tam pastiprināšanas sistēma veic testēšanu un atrod piemērotāko vietu pašam scenārijam, ko viņi ir izveidojuši.

Turpmāk CRM komandai ir jāturpina ieviest jauninājumus un saglabāt spēlētāju interesi, meklējot radošākas pieejas iesaistei. Es to uzskatu par daudz apmierinošāku pieeju procesam un daudz interesantāku mācību līkni visiem iesaistītajiem!

Vēl viena uz pastiprināšanu balstītu sistēmu priekšrocība ir tā, ka tās var apvienot ar mašīnmācīšanās tehnoloģiju, lai izveidotu iteratīvu cilpu, kurā datos automātiski tiek veiktas pašu radītas izmaiņas. Vai varat sīkāk paskaidrot, kā šis process darbojas?

Uzņēmums Golden Whale šo procesu esam padarījuši ļoti vienkāršu. Brīdī, kad izlaižat jaunu modeli mūsu LOOPS sistēmā, tā darbību rezultāti sāk mainīt lietotāju pieredzi un uzvedību jūsu platformā. Tādējādi tiek izveidota mainīta datu straume, kas ieplūst atpakaļ mūsu sistēmas modeļu orķestrēšanas daļā.

Šeit tiek analizētas izmaiņas, un modelis var tikt pielāgots, pārkalibrēts vai atkārtoti apmācīts atbilstoši iepriekš veiktajai ietekmei, kas savukārt rada izmaiņas iegūtajos datos nākamās kārtas laikā un tā tālāk, un tā tālāk. Šis ir ļoti interesants process, un mēs joprojām uzlabojam to, kā automatizēt un paātrināt progresu, kas panākts, izmantojot šīs loģiskās iterācijas.

Komandas tagad varēs daudz aktīvāk sadarboties ar klientiem un izmēģināt jaunas lietas, nevis tikai reaģēt uz tām pēc tam, kad tās ir notikušas. Kā, jūsuprāt, tas sniegs labumu klientu pieredzei turpmāk?

Tas noteikti ir ļoti svarīgs punkts. Izmantojot mūsu sistēmas paredzamo daļu, mēs iegūstam izglītotu minējumu par turpmāko uzvedību atsevišķu lietotāju līmenī. Tas nozīmē, ka ilgtermiņā mēs pat varam nonākt situācijā, kad varam strādāt ar klienta vajadzībām, pirms viņš par kaut ko ir pieņēmis apzinātu lēmumu!

Esot tik daudz priekšā no līknes, tiks radīta jauna produktu paaudze, kas apmierinās klientu pieprasījumu tādā veidā, kāds vēl nekad nav pieredzēts, galu galā radot neticami personalizētu lietotāja pieredzi, kas potenciāli var būt pilnīgi atšķirīga katram klientam.

Tas, protams, var dot milzīgu labumu tikai no iesaistīšanās viedokļa, un tam vajadzētu pavērt daudz jaunu un interesantu ceļu CRM komandām.